XiaoMi-AI文件搜索系统
World File Search SystemP300
使用人工面部图像和语音进行快速串行多模式呈现的脑机接口
多模态刺激引起的脑电图 (EEG) 信号可以驱动脑机接口 (BCI)，研究表明可以同时使用视觉和听觉刺激来提高 BCI 性能。然而，还没有研究调查多模态刺激在快速串行视觉呈现 (RSVP) BCI 中的影响。在本研究中，我们提出了一种结合了人工面部图像和人工语音刺激的快速串行多模态呈现 (RSMP) BCI。为了阐明视听刺激对 RSMP BCI 的影响，分别应用了扰乱图像和掩蔽声音来代替视觉和听觉刺激。我们的研究结果表明，视听刺激提高了 RSMP BCI 的性能，并且 Pz 处的 P300 有助于提高分类准确性。 BCI 在线准确率达到 85.7 ± 11.5%。总之，这些发现可能有助于开发更好的注视独立 BCI 系统。
脉冲脑电信号的图形去噪及其图形表示的效果
随着脑监测领域的快速发展，对处理相关信号的创新方法的需求日益增加。最近，图信号处理成为逐个信号分析的有力替代方案，它能够处理信号集合。对于自然接受图形表示的脑电图 (EEG) 信号尤其如此，每个电极对应一个图节点。这些信号经常被以重尾统计数据为特征的脉冲噪声破坏，从而导致传统去噪技术失败。为了解决这个问题，我们提出了一种基于分数低阶矩的有效正则化图滤波方法，该方法可以更好地适应重尾统计数据。对真实 EEG 测量结果（包括公开的 P300 数据集和癫痫信号）的实验评估表明，与成熟的 EEG 信号去噪方法相比，我们的方法具有更优异的去噪性能。
基于脑机接口的自动考试评估
摘要 脑机接口应用可用于克服学习问题，尤其是学生焦虑、注意力不集中和注意力不集中。本文介绍了一种基于脑机接口（BCI）的系统，该系统用于教育，以衡量预期学习成果并测量噪声对系统准确度的影响。该系统在线工作，基于记录的脑信号数据集。该系统可被视为 P300 拼写器的一个特例，仅接受从 A 到 D 的字母。这些是多项选择题 MCQ 的可能答案。老师出题，将其存储在考试数据库中并交给学生。学生进入系统并记录他们的脑信号。脑信号经过预处理阶段，在此阶段信号经过低通和高通滤波器。然后对信号进行子采样和分割。获得的特征用作线性判别分析（LDA）的输入。获得的准确率为 91%。
使用靶向和全基因组测序对 SCLC 患者的循环游离 DNA 进行分析
SCLC 肿瘤的基因组分析已发现大量拷贝数变异 (CNA) 和高突变率。 4、5 肿瘤抑制基因肿瘤蛋白 p53 基因（ TP53 ）和视网膜母细胞瘤 1 基因（ RB1 ）几乎普遍失活和普遍丢失，转录调节因子（SRY-box 转录因子 2 基因 [ SOX2 ]、核因子 IB 基因 [ NFIB ]、v-myc 禽类粒细胞瘤病毒致癌基因肺癌衍生同源基因 [ MYCL1 ]、v-myc 禽类粒细胞瘤病毒致癌基因神经母细胞瘤衍生同源基因 [ MYCN ] 和 v-myc 禽类粒细胞瘤病毒致癌基因同源基因 [ MYC ]）频繁扩增，Notch 和组蛋白乙酰转移酶基因（CREB 结合蛋白基因 [ CREBBP ] 和 E1A 结合蛋白 p300 基因 [ EP300 ]）反复突变。 4-6 肿瘤活检，尤其是连续活检，对于 SCLC 来说是一项重大挑战，7,8
Europass CV - 个人简历 Oana Andreea RUSANU
罗马尼亚普瑞公司为 2017 年 5 月举办的“机电一体化学生项目全国大赛”颁发的特别奖，该大赛是“机电一体化教育日”年度活动的一部分 罗马尼亚布加勒斯特国家机电一体化与测量技术研究所为 2017 年 5 月举办的“机电一体化教育日”年度活动的一部分“学生科学交流全国会议”颁发的特别奖 2017 年 5 月举办的“机电一体化教育日”年度活动的一部分“学生科学交流全国会议”颁发的二等奖 2017 年 5 月举办的“毕业生走上公司”会议由罗马尼亚布拉索夫特兰西瓦尼亚大学举办的大奖 2017 年 5 月举办的“毕业生走上公司”会议“医学工程、医学、体育和山地运动”部分一等奖机电一体化部分“学生科学交流会议”二等奖，由布拉索夫特兰西瓦尼亚大学产品设计与环境学院于 2017 年 4 月组织 机电一体化部分“学生科学交流会议”二等奖，由布拉索夫特兰西瓦尼亚大学产品设计与环境学院于 2016 年 4 月组织 “Virgil Olariu”优秀奖，由产品设计与环境学院于 2016 年 5 月组织的医学工程部分“学生科学交流会议” 一等奖，由罗马尼亚布拉索夫特兰西瓦尼亚大学于 2015 年 5 月组织的“医学工程、医学、体育和山地运动”部分“毕业生在公司面前”会议 “Virgil Olariu”优秀奖，由产品设计与环境学院于 2015 年 4 月组织的医学工程部分“学生科学交流会议” 2014 年 4 月由产品设计与环境学院组织 2013 年 5 月由产品设计与环境学院组织的验光学专业“学生科学交流会议”三等奖 博士相关项目 – 2024：“基于 P300 诱发脑电图电位的脑机接口应用程序，用于实现用户与聊天 GPT 之间的通信” 博士相关项目 – 2023：“基于 LabVIEW 的脑机接口应用程序，用于使用从 GTEC Unicorn 耳机获取的 P300 诱发生物电位和脑电图带宽节律控制虚拟机械臂” 博士相关项目 – 2022：“通过 Gtec Unicorn EEG 耳机与 LabVIEW 编程环境集成，使用 P300 拼写器和 UDP 通信实现基于脑机接口的自动售货机模拟” 博士相关项目 – 2021：“LabVIEW 应用程序旨在设计由移动机器人和机械臂组成的脑机接口，均基于 NI myRIO 系统，并由从 NeuroSky 获取的脑电信号中检测到的自愿眨眼控制” 博士相关项目 - 2020 年：“具有图形用户界面的 Python 应用程序，用于实现脑机接口系统，从而能够从 Neurosky 和 Emotiv Insight 耳机采集脑电图数据，允许处理和分类自愿眨眼并使用 Websockets 协议将命令传输到 Raspberry Pi 板” 博士相关项目 - 2019 年：“LabVIEW 仪器旨在采集、处理和分类用于实现脑机接口系统的脑电图信号” 博士相关项目 - 2018 年：“使用 NeuroSky 耳机通过眨眼控制的虚拟键盘” 硕士论文 - 2017 年：“基于 LabVIEW 的脑机接口应用程序，使用 NI myRIO 系统和 NeuroSky Mindwave 耳机”
使用 Brainsense 的脑控机器人 - ijrpr
基于稳态视觉诱发电位 (SSVEP) 的大脑计算机互连的发展，使用户能够控制遥控汽车。为了获得具有最高振幅的 SSVEP 信号，为了获得开发的 BCI 的最佳性能，估计了面积、频率和形状的视觉技术沉淀条件。使用改进的 SSVEP BCI 组装并授权了一辆按钮驱动的汽车，展示了其适当的功能 [1]。这项工作旨在寻找和测量一种用于在连续 BCI 应用中确定错误的新方法。新技术不是基于单次试验对错误进行分类，而是支持多事件 (ME) 分析以扩大错误检测的准确性。方法：在支持运动心理意象 (MI) 的 BCI 驱动的汽车游戏中，每当受试者与硬币和/或障碍物相撞时，就会触发不同的事件。硬币算作正确事件，而障碍物则算作错误 [2]。这倾向于提供两种混合BCI，一种结合运动心理意象（MI）和P300，另一种结合P300和稳定状态视觉电位差（SSVEP），以及它们的应用。BCI研究的一个重要问题是多维控制。潜在的应用包括BCI控制的移动、记录和信息处理、应用程序、椅子和神经假体。基于EEG的多方面控制的挑战是从不断变化的EEG数据中获得多个自由控制波[3]。许多类型的医疗服务被建立以减少儿童注意力缺陷障碍（ADD）的数量。一些可用的治疗方法不适合儿童，因为使用药物并且需要他们冥想。使用基于神经的体育游戏对ADD儿童进行心理特征训练尚未见报道[4]。独特的问题限制了BCI模型在脑电图（EEG）记录期间不可避免的生理伪影发生率的实际效力。然而，由于处理过程漫长而复杂，伪影的结果在灵敏的 BCI 系统中基本上被忽略。伪影的影响以及在灵敏的 BCI 中减少这些影响的能力。由于幅度增加和重复存在，眼科和肌肉伪影被认为是可能的 [5]。
用于预测大脑的分类技术比较...
摘要：基于 P300 的脑机接口 (BCI) 性能易受延迟抖动影响。为了研究延迟抖动对 BCI 系统性能的影响，我们提出了基于分类器的延迟估计 (CBLE) 方法。在我们之前的研究中，CBLE 基于最小二乘 (LS) 和逐步线性判别分析 (SWLDA) 分类器。在这里，我们旨在使用稀疏自动编码器 (SAE) 扩展 CBLE 方法，以将基于 SAE 的 CBLE 方法与基于 LS 和 SWLDA 的 CBLE 进行比较。新开发的基于 SAE 的 CBLE 和以前使用的方法也应用于新收集的数据集，以降低出现虚假相关的可能性。我们的结果显示，BCI 准确度和估计的延迟抖动之间存在显着 (p < 0.001) 负相关性。此外，我们还研究了电极数量对每种分类技术的影响。我们的结果表明，总体而言，无论分类方法和电极数量如何，CBLE 都能发挥作用；相比之下，电极数量对 BCI 性能的影响则取决于分类器。
快速视觉呈现以支持地理空间大数据处理
鉴于任何组织中人类GIS/图像分析师数量有限，其时间和组织资源的使用很重要，尤其是考虑到大数据应用方案，当组织可能被大量地理空间数据淹没时。目前的手稿专门用于实验研究的描述，概述了人类计算机共生的概念，其中计算机执行任务（例如在大图像数据集上的分类），以及，依次进行分析，人类通过脑电脑接口（BCIS）进行分析，以对机器学习困难的这些图像进行分类。添加BCI分析是利用大脑更好地回答问题的能力：“该图像中的对象是要寻找的对象吗？”为了确定这种系统的可行性，对监督的多层卷积神经网络（CNN）进行了训练，以检测卫星图像数据中的“船”和“无船”之间的差异。然后将一个预测层添加到经过训练的模型中，以输出给定图像在这两个分类中的每个分类中的概率。如果概率在以0.5为中心的高斯分布的平均值的一个标准偏差之内，则将它们存储在单独的数据集中，以使用Psyhopy实施的快速串行视觉呈现（RSVP），使用低成本的情绪“ Insigh” EEG BCI BCI HEADSET对人类分析师实施。在RSVP阶段，可以顺序证明每分钟数百张图像。以这样的速度，人类分析师无法就每个图像中的内容做出任何有意识的决定。但是，耳机仍然可以检测到潜意识的“ aha-moment”。这些时刻的发现是通过事件相关电位（ERP）（特别是p300 ERP）的说明来解析的。如果生成了p300 ERP来检测船，则相关图像将移至其应有的指定数据集；否则，如果尚不清楚图像分类，则将其预留在另一次RSVP迭代中，其中每次都会增加分析师观察每个图像的时间。如果分类在大量的RSVP迭代后仍不确定，则所讨论的图像将位于其较大图像场景的网格矩阵中。然后将相邻的图像添加到网格上的图像中，然后将其添加到演示文稿中，以通过扩展的视野为分析师提供更多上下文信息。如果分类仍然不确定，则提供了视野的最终扩展。最后，如果以某种方式不确定图像的分类，则将图像存储在存档数据集中。
日本医学生物工学会甲信越支部长野地区
有。当进行EMD时，测得的EEG波形根据波形不同可以达到IMF3，甚至IMF4。从 IMF2 开始的所有添加的波形都使用以下方法进行区分。本实验对Fz、Cz、Pz三个电极进行EMD分析，对四个选项分别比较IMF中P300分量的幅值，输出并统计幅值最大的选项。然后将最受欢迎的选项确定为受试者选择的菜单。 3.结果表1显示了所有受试者的两级菜单选择实验的结果。括号内的刺激为目标刺激，括号左边的刺激为选择刺激。目标刺激和选定刺激匹配的情况显示为黄色。受试者 A 能够在任务 2 和 3 中选择第二层和第三层中的目标刺激。受试者B能够在任务1和4中选择目标刺激，并且能够区分第一层级中的所有目标。受试者 C 在所有试验中都能够区分两个层级。
![arXiv:2001.04225v1 [eess.SP] 2020 年 1 月 10 日](/simg/2\237da1b44e6250d88436049db31719ee5e1c9cb5.webp)
arXiv:2001.04225v1 [eess.SP] 2020 年 1 月 10 日
摘要。深度神经网络 (DNN) 已在各种机器学习领域得到研究。例如，事件相关电位 (ERP) 信号分类是一项高度复杂的任务，可能适合 DNN，因为信噪比低，并且底层空间和时间模式显示出很大的主体内和主体间变异性。卷积神经网络 (CNN) 与基线传统模型（即线性判别分析 (LDA) 和支持向量机 (SVM)）进行了比较，使用大量多主体公开可用的学龄儿童 P300 数据集（138 名男性和 112 名女性）进行单次试验分类。对于单次试验分类，所有测试的分类模型的分类准确率保持在 62% 到 64% 之间。当将训练好的分类模型应用于平均试验时，准确率提高到 76-79%，分类模型之间没有显著差异。CNN 并未证明优于测试数据集的基线。讨论了与相关文献的比较、局限性和未来发展方向。